🎙️ Podcast-to-Text

一个简单易用的音频转文字工具，支持多种语音识别方案。

🖥️ 应用界面预览

主要功能区域：

• 顶部输入区：支持输入公开链接（YouTube、B站等）或上传本地音视频文件
• 左侧原文案区：显示经过LLM优化的结构化文本内容，支持复制和下载功能
• 右侧大纲总结区：自动生成的文本大纲，支持一键生成、复制和下载

界面设计注重简洁易用，无需复杂配置即可快速上手。

🎯 核心功能

• 🎵 自动下载公开链接中的音频/视频（支持YouTube、B站等）
• 📝 智能语音识别（ASR），支持多种方案
• ✨ AI文本优化，自动分段和提升可读性
• 📋 智能大纲生成，提取关键信息和结构化要点
• 🌐 简洁的Web界面，无需复杂配置

⚡ 支持的ASR方案

• OpenAI Whisper - 云端识别，准确率高
• 国产云ASR - 国内优化，价格实惠
• 本地模型 - 离线使用，隐私安全

🚀 快速开始

环境要求

• Python 3.9 或更高版本
• 至少 4GB 可用内存（本地ASR需要更多）
• 稳定的网络连接（使用云服务时）

安装步骤

1. 克隆项目

   git clone https://github.com/your-username/podcast-to-text.git
   cd podcast-to-text

2. 创建虚拟环境并安装依赖

   python -m venv .venv
   # Windows
   .venv\Scripts\activate
   # macOS/Linux
   source .venv/bin/activate
   
   pip install -r requirements.txt

3. 配置环境变量

   cp .env.example
   # 编辑 .env 文件，填入必要的API密钥

4. 启动服务

   python server.py

5. 访问应用 打开浏览器访问 http://127.0.0.1:8000

🎯 ASR方案对比与选择

1. OpenAI Whisper

• 准确率: 英文>95%，中文>90%
• 处理速度: 1小时音频约3-5分钟
• 优点: 准确率高，支持多语言，无需本地硬件
• 缺点: 需要OpenAI API密钥，网络要求稳定
• 成本: 约$0.006/分钟（1小时约$0.36）

2.国产云ASR服务

国内云服务商提供的中文语音识别服务，适合中文场景： 支持的服务商（需自行注册和配置）：

• 阿里云智能语音交互
• 腾讯云语音识别
• 百度智能云语音
• 讯飞开放平台

配置方法：

• 注册对应服务商账号并开通语音识别服务
• 获取API密钥和相关配置信息
• 在.env文件中设置对应的环境变量

注意事项：

• 各服务商的SDK和鉴权方式不同
• 价格和免费额度各有差异
• 中文识别准确率普遍较好

提示：默认配置不变。只有当你设置了 ASR_PROVIDER=faster_whisper 或 ASR_PROVIDER=aliyun_nls 时，才会走对应ASR逻辑。

3. 本地模型（faster-whisper）

⚠️ 重要提醒: 本地ASR需要较强的硬件配置

模型大小	内存需求	显存需求	准确率	1小时处理时间
tiny	1GB	无	70%	5分钟
base	2GB	无	78%	8分钟
small	4GB	无	85%	15分钟
medium	8GB	4GB	90%	30分钟
large	16GB	8GB	95%	60分钟
本地模型缺点:

• 首次下载模型文件较大（small模型约500MB）
• 处理速度慢，特别是大文件
• 需要较好的CPU/内存配置
• 准确率通常低于云服务

LLM文档转写

本项目默认使用 OpenAI。若在国内访问受限，可改用“OpenAI兼容”的服务，只需在 .env 设置：

LLM_API_KEY=你的其他服务密钥
LLM_BASE_URL=该服务的OpenAI兼容API地址
LLM_MODEL=该服务对应的模型名称

示例（任选其一，按服务商文档填写）：

• DeepSeek：
  • LLM_BASE_URL=https://api.deepseek.com
  • LLM_MODEL=deepseek-chat
• OpenRouter：
  • LLM_BASE_URL=https://openrouter.ai/api/v1
  • LLM_MODEL=openrouter/auto
• 硅基流动（SiliconFlow）：
  • LLM_BASE_URL=https://api.siliconflow.cn/v1
  • LLM_MODEL=deepseek-ai/DeepSeek-V3
• 本地 Ollama：
  • LLM_BASE_URL=http://127.0.0.1:11434/v1
  • LLM_MODEL=llama3.1:8b

⚙️ 配置选项

环境变量详解

变量名	说明	默认值	是否必需
OPENAI_API_KEY	OpenAI API密钥	空	使用OpenAI Whisper时必需
LLM_API_KEY	文本优化LLM密钥	空	可选，可与OPENAI_API_KEY共用
LLM_BASE_URL	OpenAI兼容API地址	空	使用第三方LLM服务时设置
LLM_MODEL	LLM模型名称	gpt-4o-mini	可选
ASR_PROVIDER	ASR提供商选择	openai	可选
ASR_MODEL	ASR模型选择	whisper-1	可选

配置示例

方案1：使用OpenAI Whisper

# .env 文件内容
OPENAI_API_KEY=sk-your-openai-key-here
ASR_PROVIDER=openai
ASR_MODEL=whisper-1

方案2：使用国产云ASR服务

# .env 文件内容
# 以阿里云NLS为例，其他服务商请参考各自文档
ASR_PROVIDER=aliyun_nls
ALIYUN_ACCESS_KEY_ID=your-access-key
ALIYUN_ACCESS_KEY_SECRET=your-secret-key
ALIYUN_NLS_APP_KEY=your-app-key
OSS_BUCKET=your-oss-bucket
OSS_ENDPOINT=https://oss-cn-shanghai.aliyuncs.com

方案3：使用本地模型

# .env 文件内容
ASR_PROVIDER=faster_whisper
ASR_MODEL=small
# 可选：指定本地模型目录
ASR_LOCAL_DIR=C:\models\faster-whisper-small

🔧 常见问题

Q: 没有API密钥怎么办？

A: 你可以：

1. 注册OpenAI账号获取API密钥（推荐）
2. 使用国产云ASR服务（适合中文场景）
3. 使用本地模型（无需密钥，但需要较好硬件）

Q: 下载失败怎么办？

A:

• 检查网络连接是否稳定
• 确认链接是否为公开内容
• 尝试其他平台链接
• 检查是否被防火墙阻止

Q: 本地模型运行缓慢怎么办？

A:

• 使用更小的模型（tiny/base）
• 升级硬件配置（CPU/内存）
• 考虑使用云服务（OpenAI/国产云ASR）
• 减少同时处理的任务数量

Q: 识别准确率低怎么办？

A:

• 检查音频质量是否清晰
• 尝试使用更大的模型
• 考虑使用云服务获得更高准确率
• 确保音频语言与模型匹配

Q: 如何处理长音频文件？

A:

• 设置音频分块参数：ASR_CHUNK_MIN=10（每10分钟切分）
• 确保有足够内存
• 考虑使用云服务处理大文件

📚 技术原理

工作流程

1. 音频下载: 使用yt-dlp从公开平台下载音频
2. 语音识别: 将音频转换为原始文本（ASR）
3. 文本优化: 使用LLM对原始文本进行分段和优化
4. 大纲生成: 自动分析文本内容，生成结构化大纲

🤝 贡献指南

欢迎提交Issue和Pull Request来改进这个项目！

开发环境搭建

git clone https://github.com/your-username/podcast-to-text.git
cd podcast-to-text
python -m venv .venv
source .venv/bin/activate  # Linux/Mac
# 或 .venv\Scripts\activate  # Windows
pip install -r requirements.txt

提交规范

• 使用清晰的提交信息
• 添加必要的测试
• 更新相关文档

📄 许可证

本项目采用MIT许可证 - 详见 LICENSE 文件

🙏 致谢

• OpenAI Whisper - 优秀的语音识别模型
• yt-dlp - 强大的媒体下载工具
• Flask - 轻量级Web框架

📞 联系方式

如有问题或建议，欢迎通过以下方式联系：

• 提交GitHub Issue

---

⭐ 如果这个项目对你有帮助，请给个Star支持一下！